• صفحه اصلی
  • تبیین مدل مدیریت ارتباط با مشتریان با استفاده از سیستم دینامیک

اشتراک گذاری

آدرس مقاله


کد مقاله : 140304111125699 بازدید : 63 صفحه: -

نوع مقاله: پژوهشی

تبیین مدل مدیریت ارتباط با مشتریان با استفاده از سیستم دینامیک

محورهای موضوعی : مدیریت

سمیه حسینی 1 , محمدرضا معتدل 2 , عباس طلوعی اشلقی 3

1 - دانشجوی دکتری، گروه مدیریت فناوری اطلاعات، واحد تهران مرکزی، تهران، ایران
2 - دانشیار، گروه مدیریت صنعتی، واحد تهران مرکزی، تهران، ایران (عهده دار مکاتبات)
3 - استاد، گروه مدیریت، واحد علوم و تحقیقات، تهران، ایران

تاریخ دریافت : 1403/04/11 تاریخ پذیرش : 1403/09/20 تاریخ انتشار : 1403/10/02

کلید واژه: مدیریت ارتباط با مشتریان , مدل سازی پویا , سیستم دینامیک,

چکیده مقاله :

مدیریت کارا و اثربخش روابط مشتریان، باعث افزایش رضایت و حفظ مشتریان می‌شود. مدیریت ارتباط با مشتری، به سازمان‌ها در ارزیابی سودآوری و وفاداری مشتریان به کمک معیارهایی مانند خریدهای تکراری، پول خرج شده و دوام‌پذیری، کمک می‌نماید. ﻫﺪف اﺻﻠﻲ این پژوهش مدل سازی پویای ارتباط با مشتریان و تحلیل دینامیکی این مدل بوده است. تحقیق حاضر از حیث هدف کاربردی و از حیث روش پیمایشی با رویکرد توسعه مدل است. بازه زمانی تحقیق پنج سال (1396-1400) است. برای این منظور، اطلاعات شاخص‌های 33 عامل موثر بر مزیت رقابتی در بانک تجارت وارد مدل‌های میانگین گیری بیزین (BMA )، مدل میانگین متحرک پویا با پارامترهای قابل تغییر طی زمان( TVP-DMA ) ومدل گزینشی پویا با پارامترهای قابل تغییر طی زمان (TVP-DMS ) شد. بر اساس میزان خطا، مدل BMA از بالاترین دقت برخوردار بود. پس از برآورد مدل، 8 متغیر اصلی شناسایی گردید. که عبارت از: مانده حساب بلند مدت؛ میزان استفاده از موبایل بانک؛ میزان استفاده از اینترنت بانک؛ مشتریان حقیقی؛ مشتریان حقوقی؛ ویژه یا عادی بودن مشتری؛ نوع شغل و تحصیلات. این 8 متغیر اصلی شناسایی شده در مدل پویا وارد گردیده و پس از آن مدل بر اساس آزمون های کفایت مرز، ارزیابی ساختار، خطای یکپارچگی و تحلیل حساسیت اعتبار سنجی گردید.

چکیده انگلیسی:

Efficient and effective customer relationship management increases customer satisfaction and retention. Customer relationship management helps organizations evaluate profitability and customer loyalty using criteria such as repeat purchases, money spent, and durability. The main goal of this research was the dynamic modeling of communication with customers and the dynamic analysis of this model. The current research is applied in terms of purpose and in terms of survey method with model development approach. The time frame of the research is five years (2017-2021). For this purpose, information on the indices of 33 factors affecting competitive advantage in Tejarat Bank were entered into Bayesian averaging models (BMA), dynamic moving average model with parameters that can be changed over time (TVP-DMA) and dynamic selection model with parameters that can be changed over time (TVP). -DMS) Based on the error rate, the BMA model had the highest accuracy. After estimating the model, 8 main variables were identified. which consists of: long-term account balance; the amount of use of mobile bank; the amount of internet bank usage; real customers; legal clients; special or normality of the customer; Type of job and education. These 8 main identified variables were entered into the dynamic model and then the model was validated based on boundary adequacy tests, structure evaluation, integration error and sensitivity analysis.

منابع و مأخذ:

[1] بهروان, مجید, معتدل, محمدرضا, طلوعی اشلقی, عباس, رادفر, رضا. طراحی سیستم‌ توصیه‌گر محصولات شوینده بر مبنای تحلیل احساسات فازی. پژوهش های نوین در تصمیم گیری, 1400; 6(4): 35-53.
[2] طالبی، کامبیز، ایمانی پور، نرگس، شیخی ئیلانلو، حمید، سجادی، سید مجتبی (1399)، روش‎شناسی پویایی‎ سیستم‎های نرم یک رویکرد سیستمی ترکیبی در پژوهش‎های کارآفرینی، حوزه و دانشگاه روش‌شناسی علوم انسانی، دوره 26 شماره 104، صص 46-29، قابل بازیابی از: doi 10.30471mssh.2020.5440.1882
[3] یگانگی سید کامران, ابراهیمی, مریم. (1400). مدل سازی مدیریت الکترونیکی ارتباط با مشتریان ، مطالعه موردی : سیستم های بانکی، فصلنامه مطالعات مدیریت و توسعه پایدار, 1(4), pp. 1-28. doi: 10.30495/msds.2022.1949842.1032
[4] کریمی، محمد، طلوعی اشلقی، عباس، پیله وری سلماسی، نازنین، و رادفر، رضا. (1400). ارائه مدل پویای فازی برای تدوین راهبرد استوار طراحی خدمات در شرایط عدم قطعیت (مورد مطالعه: خدمات بانکی). مدیریت توسعه فناوری، 9(3)، 37-71. SID. https://sid.ir/paper/1040264/fa
[5] Andrievskaya Irina و Semenova Maria. (2016). Does banking system transparency enhance bank competition? Cross-country evidence. Journal of financial stability، 23: 33-50.
[6] Cvijović Jelena؛ Kostić-Stanković Milica و Reljić Marija. (2017). Customer relationship management in banking industry: Modern approach. Industrija، 45(3).
[7] Kebede Alemu Muleta و Tegegne Zewdu Lake. (2018). The effect of customer relationship management on bank performance: In context of commercial banks in Amhara Region, Ethiopia. Cogent Business & Management، 5(1): 1499183.
[8] Li Yangfan؛ Huang Jinghua و Song Tingting. (2019). Examining business value of customer relationship management systems: IT usage and two-stage model perspectives. Information & Management، 56(3): 392-402.
[9] Koop, G. and D. Korobilis, UK macroeconomic forecasting with many predictors: Which models forecast best and when do they do so? Economic Modelling, 2011. 28(5): p. 2307.

[10] Stock, J.H. and M.W. Watson, Forecasting with many predictors. Handbook of economic forecasting, 2006. 1: p. 515.
متن کامل:
شیوه نامه نشریه دانشگاه آزاد قزوین

مجله مدیریت توسعه و تحول 58 (1403) 39-23

تبیین مدل مدیریت ارتباط با مشتریان با استفاده از سیستم دینامیک

سمیه حسینی1، محمدرضا معتدل2،*، عباس طلوعی اشلقی3

دانشجوی دکتری، گروه مدیریت فناوری اطلاعات، واحد تهران مرکزی، تهران، ایران 1

2دانشیار، گروه مدیریت صنعتی، واحد تهران مرکزی، تهران، ایران (عهده دار مکاتبات)

استاد، گروه مدیریت، واحد علوم و تحقیقات، تهران، ایران

تاریخ دریافت: 11/04/1403                تاریخ پذیرش نهایی: 20/07/1403

 

چكيده

مدیریت کارا و اثربخش روابط مشتریان، باعث افزایش رضایت و حفظ مشتریان می‌شود. مدیریت ارتباط با مشتری، به سازمان‌ها در ارزیابی سودآوری و وفاداری مشتریان به کمک معیارهایی مانند خریدهای تکراری، پول خرج شده و دوام‌پذیری، کمک می‌نماید. ﻫﺪف اﺻﻠﻲ این پژوهش مدل سازی پویای ارتباط با مشتریان و تحلیل دینامیکی این مدل بوده است. تحقیق حاضر از حیث هدف کاربردی و از حیث روش پیمایشی با رویکرد توسعه مدل است. بازه زمانی تحقیق پنج سال (1396-1400) است. برای این منظور، اطلاعات شاخص‌های 33 عامل موثر بر مزیت رقابتی در بانک تجارت وارد  مدل‌های میانگین گیری بیزین (BMA)، مدل میانگین متحرک پویا با پارامترهای قابل تغییر طی زمان( TVP-DMA) ومدل گزینشی پویا با پارامترهای قابل تغییر طی زمان (TVP-DMS) شد. بر اساس میزان خطا، مدل BMA از بالاترین دقت برخوردار بود. پس از برآورد مدل، 8 متغیر اصلی شناسایی گردید. که عبارت از: مانده حساب بلند مدت؛ میزان استفاده از موبایل بانک؛ میزان استفاده از اینترنت بانک؛ مشتریان حقیقی؛ مشتریان حقوقی؛ ویژه یا عادی بودن مشتری؛ نوع شغل و تحصیلات. این 8 متغیر اصلی شناسایی شده در مدل پویا وارد گردیده و پس از آن مدل بر اساس آزمون های کفایت مرز، ارزیابی ساختار، خطای یکپارچگی و تحلیل حساسیت اعتبار سنجی گردید.

 

واژه‌های اصلی: مدیریت ارتباط با مشتریان ، مدل سازی پویا ، سیستم دینامیک 

 

 

1-                      مقدمه

بانک ها موسسات مالی وخدماتی اند که در ارتباط مستقیم با مشتریان اقدام به ارائه محصولات (خدمات) خود می کنند. لذا، در بازار رقابتی امروز، برای اتخاذ استراتژهای متفاوت از استراتژی رقبا، ناگزیر از جمع آوری اطلاعات رفتاری مشتریان، حتی مشتریان راضی و وفادار هستند، زیرا تغییر رفتار مشتریان در بانک ها به دلیل ماهیت پولی فعالیت های آن ها حساسیت بیشتری داشته و نیازمند برنامه ریزی دقیق و به موقع توسط مدیران بانکی است. لذا ایجاد ارتباط بلند مدت با مشتری ارزشمند است و معمولاً به عنوان کلید سودآوری در بازار پویا بطور فزاینده قابل مشاهده است. امروزه در محیط کسب‌وکار، جلب رضایت مشتری، در دستیابی سازمان‌ها به اهدافشان، نقشی مهم و اساسی دارد. سازمان‌ها دریافته‌اند که مشتریان، مهم‌ترین دارایی آن‌ها محسوب می‌شوند و بنابراین ارتباط با مشتریان را تعاملی سودمند به شمار می‌آورند]1[. شناخت مشتریان و شناسایی سرویس‌های سودده با توجه به تنوع مشتریان بانک و گوناگونی سرویس‌ها در نظام بانکی کشور از اهمیت بالایی برخوردار است. مدیریت ارتباط با مشتری در حال حاضر هسته مرکزی را در دنیای تجارت به خود اختصاص داده است. یکی از اهداف مدیریت ارتباط با مشتری بهره‌گيری از اطلاعات مشتریان جهت بهبود رضایت مشتریان، خلق نيازهای جدید در مشتریان و در نتيجه ایجاد بازارهای جدید و در نهایت افزایش سودآوری و کسب مزیت رقابتی است. استخراج نظرات مشتریان درباره ویژگی های محصولات، امکان ارائه توصیه به واحد طراحی برای بازطراحی محصولات در راستای جلب رضایت مشتریان و افزایش فروش محصولات در سراسر شبکه فروش شرکت خواهد شد]2[. با گسترش شبکه های اجتماعی مجازی، یافتن و پیشنهاد اطلاعات و موارد مناسب و مورد علاقه به کاربران یکی از مسائل جدی در توسعه شبکه ها است ]10[.

2-                      بیان مسئله

عوامل تعيين‌کننده موثر بر سیستم‌های  مدیریت ارتباط با مشتریان بسیار متعددند. حال مساله‌اي که در ارزيابي عوامل تعيين‌کننده بر سیستم های ارتباط با مشتریان وجود دارد، اين است که تنوع نظريه‌ها و فقدان يک مدل معين در حوزه عوامل موثر بر سیستم‌های ارتباط با مشتریان که منجر به مزیت رقابتی شود از يک سو و تعدد متغيرهاي توضيحي بالقوه تأثيرگذار از سوي ديگر، استفاده از يک مدل اقتصادسنجي کلاسيک را دچار مشکل 

dr.motadel@gmail.com*

مي‌كند. یکی از مهم‌ترین چالش‌هایی که محققان مدل‌ساز با آن سر و کار دارند، اختلاف دیدگاه در مورد متغیرهای بالقوه‌ای است که می‌توانند در مدل

توضیحی لحاظ شوند؛ البته این اختلاف‌نظرها در اغلب موارد حتی منجر به تفاوت در نتیجه‌گیری‌ها نیز شده است. يکي از راه‌هاي غلبه بر نااطميناني در انتخاب متغيرها و همچنين نااطميناني در انتخاب مدل مناسب، استفاده از روش‌هاي مرسوم در اقتصادسنجي بيزيني از جمله روش ميانگين‌گيري مدل بيزيني (BMA ) است.

اين روش با به کارگيري قوانين احتمال در الگوسازي به آزمون مدل‌هاي مختلف پرداخته و از ميان انبوهي از متغيرهاي توضيحي، مهم‌ترين و موثرترين متغيرهاي تأثيرگذار بر متغير وابسته را مشخص مي‌كند.

رویکرد بیزین کمک زیادي در تشخیص این دسته از متغیرها در الگو می‌کند. به علاوه در این رویکرد برخلاف روش اقتصادسنجی مرسوم، به صورت قطعی در خصوص حضور یا عدم حضور متغیر تصمیم‌گیري نمی‌شود و تنها احتمالی براي حضور متغیر در الگو برآورد می‌شود. در واقع در روش اقتصادسنجی سنتی بایستی مبتنی بر راه‌حل سیاه و سفید یا صفر و یک، متغیري را به الگو اضافه یا از الگو خارج کرد؛ اما در رویکرد بیزین همه متغیرها در الگو لحاظ شده و به این عدم قطعیت اذعان می‌شود. به علاوه براي همه این متغیرها (بر اساس اطمینان محقق در خصوص هر یک)، ضریبی برآورد می‌شود و از نظر اهمیت و تأثیرگذاري رتبه‌بندي می‌شوند.بنابراین پژوهش حاضر با استفاده از این رویکرد و داده های سازمان مدل ارتباط با مشتریان را مختص بانک تجارت ارائه می نماید. مبحث دیگر تحقیق شناسایی روابط بین این متغیرها به صورت سیستمی از علت و تصادف است.

 به دلیل ارتباط علت و معلولی متغیرهای موثر بر مزیت رقابتی و تاثیر رفتار هریک از آن ها بریکدیگر و بر رفتار کل نظام، مدل سازی متغیرها در قالب حلقه های علی-معلولی ضرورت دارد. بر این اساس در پژوهش حاضر با برای اولین بار با بکارگیری رویکرد بیزین و پارامتر متغیر مدل سازی شاخص های موثر بر مزیت رقابتی صورت پذیرفته و بر اساس نتایج حاصله متغیرهای غیرشکننده شناسایی شده را وارد سیستم دینامیک نموده و روابط بین متغیرها و تاثیر آنها بر وفاداری مشتریان سنجیده می شود. بنابراین با توجه به مطالب بیان شده در این پژوهش به دنبال پاسخ به دو سوال ذیل هستیم:

 

1)       مدل مناسب ارتباط با مشتریان بانک تجارت با رویکرد مزیت رقابتی کدام است؟

 

2)       چگونه می توان با استفاده از سیستم دینامیک مدل پویای ارتباط با مشتریان با رویکرد مزیت رقابتی را شبیه سازی نمود؟

3-                      پیشینه پژوهش

وفاداری یک تعهّد قوی ارائه خرید مجدّد یک محصول یا یک خدمت برتر در آینده اطلاق می شود، به صورتی که همان مارک یا محصول علیرغم تاثیرات و تلاشهای بازاریابی بالقوه رقبا خریداری گردد. در دنیای رقابتی امروز خدمات ارائه شده از سوی  شرکتهای رقیب روز به روز به یکدیگر شبیه تر می شوند و دیگر به سختی می توان مشتری را با ارائه خدمتی کاملاً بدیع در بلند مدت  شگفت زده کرد زیرا نوآورانه ترین  خدمات به سرعت از سوی رقبا تقلید شده و به بازار عرضه می گردند. از این رو، سرمایه گذاری در حوزه وفاداری مشتری یک سرمایه گذاری اثربخش و سودمند برای شرکتهای خدماتی است.

وفاداری از طریق افزایش درآمد، کاهش هزینه ها به دست آوردن مشتریان جدید، کاهش حساسیت مشتری به قیمت و کاهش هزینه های آشنا کردن مشتری با روش های انجام کار در شرکت به افزایش سودآوری می انجامد طی دهه گذشته، بخش خدمات مالی دستخوش تغییرات شدیدی شده است که در نتیجه بازاری با رقابت شدید و رشد اندکی در میزان تقاضای اولیه به وجود آمده است در چنین بازاری، رویدادهای مربوط به ارتباطات تعهدآور و موروثی بین مشتری و بانک به گونه ای فزاینده در حال کاهش است و بانک ها در حال طراحی استراتژی هایی برای جذب و حفظ مشتریان هستند]3[. 

در این بخش روند پیشرفت تحقیقات صورت گرفته در شناسایی عوامل موثر بر مزیت رقابتی مدل ارتباط با مشتریان و مدل های پویای طراحی شده بیان می­گردد تا بر اساس این مطالعات، بتوان زمینه فعالیت‌های آینده را مشخص نمود. در اینجا به شرح برخی از تحقیقات داخلی و خارجی می پردازیم:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول (1): پژوهش های قبلی

نویسنده

موضوع پژوهش

نتیجه

 

 

 

 

قاضی و همکاران (2024) ]11[.

رابطه بین سی.آر.ام ، مدیریت دانش، تعهد سازمان، سودآوری مشتری و وفاداری مشتری در صنعت مخابرات

روش پژوهش مدل‌سازی معادلات ساختاری1 بوده است. این مطالعه نشان داد که مدیریت دانش و تعهد سازمانی بر عملکرد سی.آر.ام تأثیر می‌گذارد که به‌طور مستقیم و غیرمستقیم از طریق رضایت مشتری بر سودآوری و وفاداری مشتری تأثیر می‌گذارد.

آلمرو و همکاران (2024) ]12[.

تعیین شکاف بین ای.سی.آر.ام و نوآوری

روش پژوهش مدل‎سازی معادلات ساختاری – حداقل مربعات جزئی2 بوده است. این مطالعه نشان داد که هردوی ای.سی.آر.ام3 و نوآوری بازاریابی بر مزیت رقابتی تأثیر مثبت دارند

پهوجا و همکاران (2024) ]13[.

کسب موقعیت مزیت رقابتی از طریق شیوه‌های منابع انسانی

روش پژوهش معادلات ساختاری با حداقل مربعات جزئی با استفاده از آزمون کای اسکوئر و تحلیل توصیفی بوده است. با توجه به نتایج این مطالعه، بانک‌ها با تمرکز بر عملکرد منابع انسانی، نه‌تنها می‌توانند در این محیط اقتصادی نابسامان زنده بمانند، بلکه می‌توانند مزیت رقابتی نیز کسب کنند

یگانگی و همکاران

(1400) ]3[

به مدل‌سازی و شبیه‌سازی تأثیر مدیریت الکترونیکی ارتباط با مشتریان بر وفاداری مشتریان بانک با استفاده از روش‌شناسی سیستم های دینامیک

یافته‌ها حاکی از آن است که با بهبود هر کدام از عوامل مدیریت الکترونیکی ارتباط با مشتری، وفاداری مشتری نیز افزایش می‌یابد.

صدرالهدی و همکاران

(2021)] 14[

هدف مشخص کردن تاثیر مدیریت ارتباط با مشتری الکترونیکی بر رضایت مشتری در صنعت فست فود بنگلادش

یافته نشان داده است که سفارش الکترونیکی تاثیر قابل توجهی بر رضایت مشتری دارد. تاثیر پرداخت الکترونیکی، پرداخت موبایلی و به روزرسانی الکترونیکی قابل توجه نیست. از سوی دیگر رضایت مشتری تاثیر مثبتی بر وفاداری مشتری دارد.

زارعی و همکاران

(2022)] 10[

سیستم توصیه گر برای توصیه به افراد در شبکه های اجتماعی بر اساس تعاملات زنجیره تامین

برای این منظور پنج روش ترکیبی مبتنی بر شبکه‌های عصبی مصنوعی و استراتژی‌های فازی ارائه کرده است تا توصیه‌های بهتر و دقیق‌تری نسبت به روش‌های پایه ارائه کند. در این راستا از هفت معیار ارزیابی مشخص سیستم های توصیه گر استفاده شده است.

نویانا

 (2021) ]15[

تحلیلی از پیاده سازی الکترونیک مدیریت ارتباط با مشتری در راستای وفاداری مشتری

نتایج این مطالعه نشان می دهد که بین اثربخشی مدیریت الکترونیکی ارتباط با مشتری و میزان وفاداری مشتری رابطه مثبت و معناداری وجود دارد.

بهروان و همکاران

 (1400) ]2[

سیستم توصیه گر محصولات شوینده

در این پژوهش برای ارائه توصیه به واحدهای طراحی محصولات شوینده، از تحلیل احساسات مشتریان و مصرف‌کنندگان این محصولات در شبکه‌های اجتماعی استفاده شده است.

کریمی و همکاران

 (1400) ]4[

مدل پویای فازی برای تدوین راهبرد استوار طراحی خدمات در شرایط عدم قطعیت (مورد مطالعه: خدمات بانکی)

با توجه به آزمون تحلیل حساسیت کاهش تعداد شعب و افزایش بودجه زیرساخت به عنوان راهبردهای استوار شناخته شدند و در نهایت نیز میزان بهینه شعب و بودجه مشخص شد.

گفان لی و همکاران

(2019)]16[

یک مدل جدید برای ارزش مدیریت ارتباط با مشتریان با توجه به فن‌آوری اطلاعات و نظریه استفاده از سیستم‌های اطلاعاتی

اندازه شرکت به‌طور مثبت مزایای عملیاتی و استراتژیک مدیریت ارتباط با مشتریان را تعدیل می‌کند، در حالی که سطح تمایز محصولات صنعتی به‌طور منفی مزایای عملیاتی و استراتژیک مدیریت ارتباط با مشتری را تعدیل می‌کند.

 

 

[1]  Structural Equation Modeling (SEM)

[2]  Partial Least Squares - Structural Equation Modeling (PLS-SEM)

[3]  Electronic Customer Relationship Management  (ECRM)

پژوهش حاضر در خصوص تبیین مدل ارتباط با مشتریان با استفاده از سیستم های دینامیک می باشد که در این راستا ابتدا عوامل موثر بر مزیت رقابتی بانک با استفاده از روش کاهش ابعاد شناسایی و با گنجاندن این عوامل در مدل طراحی خدمات وهمچنین با سنجش تازگی استفاده از خدمات، ارزش پولی خدمات استفاده شده، تناوب استفاده از خدمات و مدت استفاده از خدمات سناریوهای مختلف وفاداری مشتری تدوین می‌شود. همچنین مدل مفهومی پژوهش به شرح ذیل می باشد: 

 

 

 

شکل (1): مدل مفهومی پژوهش 

 

4-                      روش شناسی

از آنجایی که تحقیق حاضر به تبیین مدل ارتباط با مشتریان با استفاده از سیستم دینامیک می پردازد از حیث هدف کاربردی و از حیث روش پیمایشی با رویکرد توسعه مدل است. جامعه آماری تحقیق شامل مشتریان بانک تجارت می‌باشد و اطلاعات یک میلیون مشتری در اختیار گذاشته شده است که به صورت سیستماتیک نمونه گیری شد و با توجه به اینکه تعداد 105 هزار مشتری (طی دوره 5 ساله) حاوی 33 متغیر مورد بررسی (تعداد حساب ]17[، نوع حساب]17[، مانده حساب کوتاه مدت]17[، مانده حساب بلندمدت]17[، مانده حساب قرض الحسنه]17[، میزان وام دریافتی از بانک]18[ ]19[، تعداد وام دریافتی ]18[ ]19[، میزان معوقات ]18[ ]19[، سود وام دریافتی]18[.]19[، نرخ بهره وام دریافتی ]18[ ]19[، بهره پرداختی ]18[، میزان استفاده از موبایل بانک]20[، میزان استفاده از اینترنت بانک]20[، گردش حساب]19[، سابقه چک برگشتی ]5[، مانده جاری]17[، مانده حساب غیرجاری ]9[، قدمت تاریخ حساب]9[، مشتریان حقیقی ]5[، مشتریان حقوقی]9[، تعداد تراکنش ها]5[، تنوع استفاده از خدمت]6[، فاصله زمانی بین دو تراکنش]6[، ویژه یا عادی بودن مشتری]7[، محل سکونت (استانی و محلی) ]17[، تعداد بعد خانواده]17[، نوع شغل (پایگاه اجتماعی) ]19[ ]17 [، جنسیت]19[ ]17[، تحصیلات]19[ ]17[ سن]19[ ]17[، مالک یا غیرمالک بودن]17[، مجرد یا متاهل بودن]17[ بودند به عنوان جامعه آماری اصلی در نظر گرفته شدند. به منظور تحقق اهداف پژوهش ابتدا با کاهش ابعاد به وسیله روش های اقتصاد سنجی متغیرهای غیرشکننده استخراج و سپس متغیرهای ما وارد مدل دینامیک می گردد وهمچنین با سنجش تازگی استفاده از خدمات، ارزش پولی خدمات استفاده شده، تناوب استفاده از خدمات و مدت استفاده از خدمات سناریوهای مختلف وفاداری مشتری تدوین می شود. و الگوریتم اجرایی پژوهش به شرح ذیل می باشد:

 

 

 

شکل(2): الگوریتم اجرایی تحقیق  

 

در ادامه به شرح مختصری از این رویکردها پرداخته شده است:

4-1-                      کاهش ابعاد با استفاده از روش مدل میانگین گیری بیزین

یکی از مهم‌ترین چالش‌هایی که محققان مدل‌ساز با آن سر و کار دارند، اختلاف دیدگاه در مورد متغیرهای بالقوه‌ای است که می‌توانند در مدل توضیحی لحاظ شوند؛ البته این اختلاف‌نظرها در اغلب موارد حتی منجر به تفاوت در نتیجه‌گیری‌ها نیز شده است. تا کنون اقتصادسنجی‌دانان در راستای حل این مشکل بسیار تلاش کرده‌اند. به عنوان مثال، یکی از راه‌حل‌های ارائه شده توسط آن‌ها، انجام آزمون‌های متوالی به منظور زائد یا اضافه کردن متغیرهای حذف شده به مدل و آزمون فرضیه در خصوص معنی‌داری آن‌ها است؛ اما روش‌های مزبور به دلیل عدم اعتبار آزمون فرضیه در تصریحات نادرست و خطاهای تجمیعی و متوالی نتایج رضایت‌بخشی به دست نمی‌دهند (پویرایر1، 1995). راه‌حل بیزي براي مسئله نااطمینانی، متوسط‌گیري مدل بیزي (BMA)، نام دارد (هوئتینگ و دیگران2، 1999)، که در آن مقادیر موردنظر، اغلب از طریق متوسط‌گیري وزنی مقادیر مدل‌هاي خاص محاسبه می‌شوند. وزن‌ها بستگی به میزان حمایت داده‌ها از مدل موردنظر دارند که توسط احتمال‌هاي پسین3 هر مدل اندازه‌گیری می‌شوند.

در این رویکرد برخلاف روش اقتصادسنجی مرسوم، به صورت قطعی در خصوص حضور یا عدم حضور متغیر تصمیم‌گیري نمی‌شود و تنها احتمالی براي حضور متغیر در الگو برآورد می‌شود. در واقع در روش اقتصادسنجی سنتی بایستی مبتنی بر راه‌حل سیاه و سفید یا صفر و یک، متغیري را به الگو اضافه یا از الگو خارج کرد؛ اما در رویکرد بیزین همه متغیرها در الگو لحاظ شده و به این عدم قطعیت اذعان می‌شود. به علاوه براي همه این متغیرها (بر اساس اطمینان محقق در خصوص هر یک)، ضریبی برآورد می‌شود و از نظر اهمیت و تأثیرگذاري رتبه‌بندي می‌شوند (مگنس و همکاران4، 2010) .

این متدولوژي از اواسط دهه 1990 و با پيشرفت‌هاي حاصله در علوم مرتبط با رایانه و محاسبات پيچيده ریاضی به نحو گسترده‌اي در بسياري از علوم، من جمله اقتصاد به کار گرفته شده و هر روز نيز بر شمار استفاده‌کنندگان آن افزوده می‌گردد. استفاده از این شيوه و روش‌هاي بسط یافته آن در سالهاي اخير (بعد از سال 2000 ميلادي) به منظور بررسی نااطمينانی مدل در رگرسيون‌هاي رشد مورد توجه بسياري از محققين قرار گرفته است. اصل اساسی در این روش آن است که با مدل‌ها و پارامترهاي مرتبط با آن به عنوان عوامل تصادفی رفتار کرده و توزیع آن‌ها را بر مبناي اطلاعات قبلی برآورد می‌نماید.

4-2-                      سیستم های دینامیک

سیستم های دینامیک، روشی برای توصیف کیفی، اکتشاف و تجزیه‌وتحلیل سیستم‌های پیچیده ازجمله سیستم‌های اقتصادی و اجتماعی است. این رویکرد بامطالعه ساختار و رفتار سیستم‌های پیچیده، کاربران را قادر می‌کند تا با استفاده از مجموعه‌ای از ابزارهای مفهومی، ساختارها و پویایی چنین سیستم‌هایی را به درستی درک نمایند. مدل‌سازی توسط سیستم دینامیک، در فرایندی شش مرحله ای انجام می‌شود. سیستم های دینامیک به فعالیت ها توجه دارد و باهدف بهبود سیستم انجام می‌شود. در نخستین گام مطالعه برای درک و اصلاح یک رفتار سیستمی نامطلوب آغاز می‌شود. در دومین گام توصیف سیستم، به معادله های سطح و نرخ یک مدل دینامیک تبدیل می‌شود؛ زیرا مدل شبیه سازی به جای توصیف کلی و ناقص مرحله یک، به این معادلات نیاز دارد. در سومین گام شبیه سازی مدل بعد از تطابق معادلات دومین گام با شاخصه های منطقی یک مدل قابل اجرا، شروع می‌شود. شبیه سازی باید نشان دهد که مسئله مد نظر چگونه در سیستم واقعی ایجاد می‌شود. در چهارمین گام سیاست‌های جایگزین برای آزمون شناسایی شده و آزمونهای شبیه سازی تعیین می‌کند که کدام سیاست ها بهترند. در سیستم‌های پیچیده تر، ممکن است مطلوب ترین عملکرد به چندین تغيير هم‌زمان در مدل بستگی داشته باشد. در پنجمین گام اجماع برای پیاده‌سازی مدل صورت می‌گیرد؛ پیاده‌سازی اغلب شامل تغییر عمیق سیاست‌های جاسازی شده و باورهای شدید است ولی به معنای مخالفت افراد با اهداف نیست بلکه در مورد چگونگی دستیابی به اهداف است. در ششمین گام سیاست‌های جدید به کار گرفته می‌شود؛ ولی ممکن است در این مرحله مشکلاتی رخ دهد که اکثرا از نواقص در یکی از مراحل قبلی ناشی می‌شود. در هر مرحله، بازیابی فعال با برگشتن به مرحله قبلی، صورت می‌گیرد؛ اگر مدل نهایی، مناسب و متقاعدکننده بوده و آموزش در پنجمین گام کافی باشد، ششمین گام می‌تواند به آرامی پیش رود]8[.

5-                      برآورد مدل

در اینجا با توجه به اینکه هدف اول ما تعیین مدل مناسب ارتباط با مشتریان بانک تجارت با رویکرد مزیت رقابتی به مشخص کردن شاخص های موثر بر مزیت رقابتی بانک می پردازیم وبا توجه به هدف دوم در مرحله بعدی به ارائه مدل پویای ارتباط با مشتریان با رویکرد مزیت رقابتی می پردازیم.

5-1-                      مشخص کردن شاخص های موثر بر مزیت رقابتی بانک

همانطور که در بیان مسئله ذکر شد در اینجا برای کاهش ابعاد از مدل های پارامتر متغیر در طول زمان (TVP) استفاده می شود و برای تصحیح کاستی ها در این مدل از ترکیب آن با مدل های DMA و DMS استفاده می کنیم. برای برآورد مدل میانگین گیری بیزین و پویا، با توجه به اینکه مدل‌های DMS و DMA به مقادیر گذشته ضرایب و احتمال وابسته هستند در جدول زیر مقادیری که در مطالعات گذشته به کار رفته اند نشان داده شده است ]21[.

 

جدول (2): مقادیر (α,λ) در مدل‌های مدل‌های DMS و DMA

مقادیر الفا و لاندا

(α=0.95,λ=1)

(α=1,λ=1)

(α=0.99,λ=1)

(α=λ=0.99)

(α=λ=0.95)

(α=λ=0.90)

 

BMA حالت خاصی از DMA به صورت مقادیر فراموش شده (α=1,λ=1) است، و مدلی که درآن ضرایب، بسیار آرام تکامل می‌یابند (همانطور که در تخمین OLS بازگشتی است) و ترکیب مدل‌ها (به طور میانگین) در طول نمونه، ثابت است (همانطور که در مدل میانگین‌گیری بیزین است). به همین دلیل، این مدل ، به صورت TVP-AR(1)-X BMA در نظر گرفته شده است. در این مدل، هیچ وزن فراموش شده‌ای بر ضرایب زمان متغیر وجود ندارد (λ=1) و علاوه بر این، هیچ وزن فراموش شده‌ای بر احتمالات وجود ندارد (α=1). به عبارت دیگر، تمام خطای گذشته در ضرایب تخمینی به روز رسانی شده و همچنین احتمالات پسین به میزان مساوی، وزن داده شده‌اند. به منظور ارزیابی عملکرد پیش‌بینی، از مربع میانگین خطای پیش‌بینی (MSFE) قدرمطلق میانگین خطای پیش‌بینی (MAFE)، میانگین درصد قدر مطلق خطای پیش‌بینی (MAPE)، تورش خطای پیش‌بینی (Bias) و واریانس خطای پیش‌بینی (FEV) و مجموع لگاریتم احتمالات پیش‌بینی Log(PL)استفاده شده است. بر اساس نتایج مدل BMA در تمامی حالت‌ها از عملکرد مطلوب‌تری برخوردار است.

 

 

[1] 4 Poirier

[2]  Hoeting et al

[3]  Posterior Probability

[4]  Magnus et al

 

 

 در ادامه اقدام به بررسی بهترین مدل برآوردی نموده و ضرایب متغیر و احتمال وقوع هر ضریب را در طی زمان ارائه می‌کنیم. در این رویکرد ابتدا تمامی حالت‌های ممکن حضور متغیرهای توضیحی بر روی متغیر وابسته رگرسیون می‌گردد. در این روش چندین نکته حائز اهمیت است. اول اینکه یک متغیر در تمامی مدل‌های ممکن حضور ندارد. نکته دوم اینکه لزوماً متغیر مذکور در تمامی مدل‌هایی که حضور دارد تأثیر معناداری بر متغیر وابسته ندارد؛ بر این اساس نسبت تعداد مدل‌هایی که متغیر مذکور معنادار شده به تعداد مدل‌هایی که حضور دارد؛ شاخصی جهت حضور متغیر مذکور در مدل بهینه است؛ سوم اینکه با افزایش تعداد متغیرها محاسبه تمامی حالت‌ها امکان‌پذیر نیست. در نتیجه بر اساس دیدگاه سالای و مارتین از یک تعداد برآورد به بعد (حدود 5 تا 10 میلیون رگرسیون)، نسبت حضور معنادار یک متغیر به تمامی حالت‌ها، به سمت یک عدد مشخص میل می‌نماید و در نتیجه نیازی به برآورد تمامی حالت‌ها نمی‌باشد. در نهایت نیاز به یک آستانه تصمیم‌گیری جهت حذف متغیرها وجود دارد؛ برای تعیین حد بهینه از نسبت k تقسیم بر کل متغیرها بهره گرفته خواهد شد (k تعداد متغیرهای پیشنهادی است که از دیدگاه محقق بالاترین تأثیر را بر متغیر وابسته دارند). این k تجربی بوده و بر اساس دیدگاه محقق انتخاب می‌شود که در اینجا به پيروي از سالاي مارتين و همكاران مقدار k در اين مقاله مساوي هشت در نظر گرفته شده است.

5-2-                      مشخص کردن متغیرهای غیرشکننده

مرحله اول:

جهت غیر شکننده معرفی نمودن یک متغیر دو شرط لازم است تحقق یابد.

 1) افزایش احتمال پسین هر متغیر نسبت به احتمال پیشین

 2) بالا بودن سطح احتمال پسین از سطح آستانه تعریف شده («سطح آستانه اولیه=8 تقسیم بر 33=24/0»).

شايان ذكر است كه در مرحله‌ي اول به دليل فرض عدم اطمينان مدل، از اطلاعات غير داده‌اي و در مرحله‌ي دوم به دليل دستيابي سريع‌تر به همگرايي از اطلاعات داده اي استفاده شد؛ همچنين متغيرهايي كه احتمال پسيني كم‌تر از احتمال پيشين در نظر گرفته شده داشتند، به دليل شكننده بودن در مقابل ساير متغيرها از مدل خارج شدند (در مرحله‌ي اول 16 متغير غيرشكننده بودند كه در مرحله‌ي دوم با اين متغيرها كه احتمال پسين بيش‌تري نسبت به احتمال پيشين داشته‌اند محاسبات را ادامه مي‌دهيم).

 

جدول (4): مرحله اول فرآیند نمونه‌گیري و محاسبات با فرض  

جدول (3): معیارهای عملکرد پیش‌بینی در افق‌های پیش‌بینی مختلف

DIS (h=1)

LOG(PL)

MAFE

MSFE

MAPE

FEV

Bias

 

۶۸٫۹۵۸

۰٫۰۷۱

۰٫۰۰۹

۰٫۱۸۷

۰٫۰۰۹

۰٫۰۱۷

 

۷۶٫۳۰۹

۰٫۰۶۲

۰٫۰۰۷

۰٫۱۸۳

۰٫۰۰۷

۰٫۰۱۴

 

۷۸٫۰۰۱

۰٫۰۵۷

۰٫۰۰۶

۰٫۱۶۸

۰٫۰۰۶

۰٫۰۱۳

 

۶۹٫۷۳۹

۰٫۰۷۶

۰٫۰۱۱

۰٫۱۹۱

۰٫۰۱

۰٫۰۱۸

 

۸۰٫۴۸۳

۰٫۰۶۷

۰٫۰۰۸

۰٫۱۶۹

۰٫۰۰۸

۰٫۰۱۱

 

۱۰۰٫۲۹۸

۰٫۰۵۳

۰٫۰۰۶

۰٫۱۵۲

۰٫۰۰۶

۰٫۰۱۵

 

۶۶٫۵۹۹

۰٫۰۷۳

۰٫۰۱

۰٫۱۹۴

۰٫۰۰۹

۰٫۰۱۶

 

۷۱٫۰۴۵

۰٫۰۶۷

۰٫۰۰۸

۰٫۲۲۱

۰٫۰۰۷

۰٫۰۲۳

 

۱۰۹٫۶۹۸

۰٫۰۱۴

۰٫۰۰۲

۰٫۱۰۶

۰٫۰۲۱

۰٫۰۰۵

 

−

۰٫۴۷

۰٫۳۲۱

۰٫۷۱۵

۰٫۱۱

۰٫۴۴۵

 

−

۰٫۰۷۸

۰٫۰۱۱

۰٫۲۲۸

۰٫۰۱

۰٫۰۳

)

−

۰٫۰۸۳

۰٫۰۱۲

۰٫۲۱۱

۰٫۰۱۱

۰٫۰۲۷

 

−

۰٫۱

۰٫۰۱۷

۰٫۳۰۴

۰٫۰۱۵

۰٫۰۴۶

 

−

۰٫۱۳۳

۰٫۰۲۹

۰٫۴۳۶

۰٫۰۱۷

۰٫۱۰۴

DIS (h=4)

LOG(PL)

MAFE

MSFE

MAPE

FEV

Bias

 

۶۵٫۳۲۱

۰٫۰۷۴

۰٫۰۱

۰٫۱۸۳

۰٫۰۱

۰٫۰۲

 

۷۲٫۱۵۴

۰٫۰۶۲

۰٫۰۰۷

۰٫۱۷۱

۰٫۰۰۷

۰٫۰۱۵

 

۷۳٫۳۶۷

۰٫۰۵۷

۰٫۰۰۶

۰٫۱۶

۰٫۰۰۶

۰٫۰۱۴

 

۶۵٫۴۱۵

۰٫۰۷۹

۰٫۰۱۱

۰٫۱۸۷

۰٫۰۱۱

۰٫۰۲

 

۷۵٫۰۷۸

۰٫۰۶۸

۰٫۰۰۸

۰٫۱۶۷

۰٫۰۰۸

۰٫۰۰۹

 

۹۲٫۰۴۵

۰٫۰۵۷

۰٫۰۰۷

۰٫۱۶۱

۰٫۰۰۷

۰٫۰۰۹

 

۶۳٫۰۳۶

۰٫۰۷۴

۰٫۰۱

۰٫۱۸۵

۰٫۰۰۹

۰٫۰۱۵

 

۶۸٫۷۱۴

۰٫۰۶۶

۰٫۰۰۷

۰٫۱۹۴

۰٫۰۰۷

۰٫۰۲۱

 

۹۳٫۲۹۵

۰٫۰۱۶

۰٫۰۰۳

۰٫۰۹۹

۰٫۰۰۲

۰٫۰۱۴

 

−

۰٫۴۸۳

۰٫۳۶۶

۱٫۰۳

۰٫۱۴۴

۰٫۴۵۷

 

−

۰٫۱

۰٫۰۳۴

۰٫۴

۰٫۰۳۲

۰٫۰۳۴

)

−

۰٫۰۸۷

۰٫۰۲۹

۰٫۳۵۳

۰٫۰۲۸

۰٫۰۲۹

 

−

۰٫۱۰۲

۰٫۰۱۸

۰٫۲۹۶

۰٫۰۱۶

۰٫۰۴۵

 

−

۰٫۱۳۸

۰٫۰۳

۰٫۴۰۹

۰٫۰۱۸

۰٫۱۰۸

DIS (h=8)

LOG(PL)

MAFE

MSFE

MAPE

FEV

Bias

 

۶۱٫۵۱۴

۰٫۰۷۶

۰٫۰۱

۰٫۵۱۶

۰٫۰۱

۰٫۰۱

 

۶۸٫۱۴۱

۰٫۰۶۲

۰٫۰۰۷

۰٫۳۷۸

۰٫۰۰۷

۰٫۰۱۲

 

۶۹٫۱۳۷

۰٫۰۵۶

۰٫۰۰۶

۰٫۲۹۸

۰٫۰۰۶

۰٫۰۱۳

 

۵۹٫۵۰۲

۰٫۰۸

۰٫۰۱۱

۰٫۵۱۹

۰٫۰۱۱

۰٫۰۰۹

 

۷۱٫۶۹۴

۰٫۰۷۱

۰٫۰۱

۰٫۴۳۲

۰٫۰۰۹

۰٫۰۰۸

 

۸۵٫۲۵۸

۰٫۰۶۱

۰٫۰۰۸

۰٫۴۰۲

۰٫۰۰۸

۰٫۰۱۱

 

۶۳٫۱۷۷

۰٫۰۷۳

۰٫۰۰۹

۰٫۵۳۴

۰٫۰۰۹

۰٫۰۱

 

۶۸٫۱۹۷

۰٫۰۶۲

۰٫۰۰۷

۰٫۴۴۵

۰٫۰۰۶

۰٫۰۱۲

 

۷۸٫۲۵۵

۰٫۰۱۶

۰٫۰۰۲

۰٫۰۷۴

۰٫۰۰۵

۰٫۰۰۲

 

−

۰٫۳۱۶

۰٫۱۸۵

۰٫۸۵۶

۰٫۱۷۶

۰٫۰۹

 

−

۰٫۰۹۳

۰٫۱۳۳

۳٫۴۲۲

۰٫۰۹۶

۰٫۱۸۷

)

−

۰٫۰۸۷

۰٫۰۷۸

۲٫۳۹۷

۰٫۰۷۸

۰٫۰۸۴

 

−

۰٫۰۹۷

۰٫۰۱۶

۰٫۸۴۱

۰٫۰۱۵

۰٫۰۳۵

 

−

۰٫۱۳۷

۰٫۰۳

۰٫۹۶۴

۰٫۰۱۸

۰٫۱۰۴

منبع یافته‌های محقق

نمونه اول شامل 4 میلیون
رگرسیون

نمونه اول شامل 2 میلیون
رگرسیون

متغیر

احتمال پسین

ضریب پسین

احتمال پیشین

ضریب پیشین

 

۰٫۱۲۱

۰٫۱۳۲

۰٫۱۰۷

۰٫۰۰۲

تعدادحساب

۰٫۰۹۲

۰٫۰۰۳

۰٫۰۷۳

۰٫۰۰۴

نوع حساب

۰٫۸۷۸

۰٫۱۷۶

۰٫۵۳۵

۰٫۳۱۹

مانده حساب کوتاه مدت

۰٫۸۸۱

۰٫۰۳۴

۰٫۴۷

۰٫۰۲۹

مانده حساب بلند مدت

۰٫۶۸۸

۰٫۰۵۱

۰٫۲۰۷

۰٫۰۸

مانده حساب قرض الحسنه

۰٫۱۵۵

۰٫۲۰۹

۰٫۱۱۸

۰٫۴۲۸

میزان وام دریافتی از بانک

۰٫۲۳۴

۰٫۷۸۸

۰٫۲۰۷

۰٫۱۴۷

تعداد وام دریافتی

۰٫۳۶۲

۰٫۰۶۸

۰٫۱۹۹

۰٫۱۱۱

میزان معوقات

۰٫۱۶۹

۰٫۱۲۷

۰٫۱۴۵

۰٫۴۱۷

سود وام دریافتی

۰٫۱۴۶

۰٫۰۲۳

۰٫۰۷

۰٫۰۲۴

نرخ بهره وام دریافتی

۰٫۲۴۷

۰٫۴

۰٫۱۲۲

۰

نرخ بهره پرداختی

۰٫۴۴۱

۰٫۰۰۷

۰٫۲۲۲

۰٫۰۰۶

میزان استفاده از موبایل بانک

۰٫۴۶۱

۰٫۱۲۷

۰٫۴۰۲

۰٫۵۹۹

میزان استفاده از اینترنت بانک

۰٫۵۶۲

۰٫۰۲۲

۰٫۳۳

۰٫۰۳۹

گردش حساب

۰٫۴۱۹

۰٫۷۱۸

۰٫۳۷۹

۰٫۶۹۲

سابقه چک برگشتی

۰٫۲۳

۰٫۰۲۵

۰٫۱۷۳

۰٫۰۱۵

مانده جاری

۰٫۲۲۵

۰

۰٫۱۵۲

۰

مانده حساب غیر جاری

۰٫۳۳

۰٫۱۸۸

۰٫۱۳۸

۰٫۰۵۹

قدمت تاریخ حساب

۰٫۴۱۲

۰٫۹۵۵

۰٫۱۶۲

۰٫۴۸۹

مشتریان حقیقی

۰٫۳۹۵

۰٫۰۴۴

۰٫۱۹

۰٫۱۸۹

مشتریان حقوقی

۰٫۱۲۸

۰

۰٫۱۰۹

۰

تعداد تراکنش‌ها

۰٫۱۴۸

۰٫۵۴۶

۰٫۱۲۳

۰٫۱۲۹

تنوع استفاده از خدمت

۰٫۲۳۹

۰٫۰۱۴

۰٫۲۰۵

۰٫۰۱۷

فاصله زمانی بین دو تراکنش (تناوب استفاده از خدمات)

۰٫۳۹۸

۰٫۰۳۴

۰٫۱۰۶

۰٫۰۰۲

ویژه یا عادی بودن مشتری

۰٫۲۲۶

۰٫۰۳۱

۰٫۱۹۱

۰٫۰۶

محل سکونت (استانی)

۰٫۱۸۳

۰٫۰۲

۰٫۱۶۴

۰٫۰۳۴

محل سکونت (محلی)

۰٫۱۹۲

۰٫۰۵۷

۰٫۲۱۷

۰٫۱۸۷

تعداد بعد خانواد

۰٫۲۶۳

۰٫۰۰۲

۰٫۰۷۳

۰٫۰۰۲

نوع شغل (پایگاه اجتماعی)

۰٫۱۹۸

۰

۰٫۲۳۹

۰

جنسیت

۰٫۲۹۵

۰٫۰۰۷

۰٫۲۲۲

۰٫۰۰۶

تحصیلات

۰٫۱۲۷

۰٫۰۱۳

۰٫۵۰۲

۰٫۰۰۶

سن

۰٫۳۳۲

۰٫۲۱۶

۰٫۱۳

۰٫۳۹۴

مالک یا غیر مالک بودن

۰٫۱۲۹

۰٫۰۰۱

۰٫۱۵۷

۰٫۰۰۲

مجرد و متاهل بودن

منبع: محاسبات محقق 

 

در مرحله‌ي اول با استفاده از شروط دو گانه فوق، جهت تعیین نمودن متغیرهای غیر شکننده، 16 متغیر انتخاب شدند. یعنی 16 متغیر مقدار احتمال پسین بیش‌تری نسبت به احتمال پیشین داشتند و این 16 متغیر سطح احتمال پسین بالاتر از سطح آستانه 24/0 داشتند.

مرحله دوم:

در ادامه تمامی مراحل انجام شده در مرحله اول را در مرحله دوم بر روی 16 متغیر باقیمانده اعمال خواهیم نمود. در مرحله دوم نيز ابتدا يك نمونه شامل 1 ميليون رگرسيون بر روی 16 متغیر منتخب اعمال شده و محاسبات ضرايب و احتمالات پسين صورت گرفته است. در ادامه با اعمال دو شرط مذکور «سطح آستانه ثانویه=8 تقسیم 16=50/0»؛ مهم‌ترین متغیرهای موثر بر سودآوری شناسایی خواهند شد. نتایج در جدول (5)، مي‌توان ديد.

 

جدول (5): مرحله دوم فرآیند نمونه‌گیري و محاسبات با فرض  

نمونه اول شامل 2 میلیون
رگرسیون

نمونه اول شامل 1 میلیون
رگرسیون

متغیر

احتمال پسین

ضریب پسین

احتمال پیشین

ضریب پیشین

 

۰٫۴۹۹

۰٫۰۳۵

۰٫۲۸۱

۰٫۰۲

مانده‌حساب کوتاه‌مدت

۰٫۷۰۲

۰٫۰۵۲

۰٫۴۵۵

۰٫۲۷۱

مانده‌حساب بلندمدت

۰٫۲۱۹

۰٫۰۶۹

۰٫۱۸۵

۰٫۳۶۴

مانده‌حساب قرض‌الحسنه

۰٫۲۲۳

۰٫۷۳۲

۰٫۱۶۹

۰٫۰۹۴

میزان معوقات

۰٫۵۱۶

۰٫۹۷۴

۰٫۱۴۷

۰٫۰۱۳

میزان استفاده از موبایل بانک

۰٫۵۹۹

۰٫۰۴۵

۰٫۲۰۳

۰

میزان استفاده از اینترنت بانک

۰٫۲۳۴

۰٫۰۱۴

۰٫۲۷۵

۰٫۱۱

گردش حساب

۰٫۱۰۶

۰٫۰۳۵

۰٫۰۹

۰٫۰۰۲

سبقه چک برگشتی

۰٫۱۸۷

۰٫۰۲

۰٫۲۰۳

۰

مانده‌حساب غیر جاری

۰٫۱۹۶

۰٫۰۵۸

۰٫۱۸۹

۰٫۰۰۵

قدمت تاریخ حساب

۰٫۵۳۸

۰٫۰۰۲

۰٫۴۲۷

۰٫۰۰۵

مشتریان حقیقی

۰٫۵۰۶

۰

۰٫۴۵۱

۰٫۳۳۵

مشتریان حقوقی

۰٫۴۳۹

۰٫۰۲۶

۰٫۳۹۱

۰٫۱۷۳

ویژه یا عادی بودن مشتری

۰٫۴۶۳

۰٫۲۰۸

۰٫۱۴۷

۰٫۰۰۲

نوع شغل (پایگاه اجتماعی)

۰٫۵۰۴

۰٫۳۴۴

۰٫۲۶

۰٫۰۰۵

تحصیلات

۰٫۲۱۷

۰

۰٫۴۵۳

۰٫۰۰۲

مالک یا غیر مالک بودن

۰٫۴۹۹

۰٫۰۳۵

۰٫۲۸۱

۰٫۰۲

مانده‌حساب کوتاه‌مدت

منبع: محاسبات محقق

 

در نهایت مطابق با جدول شماره 5 متغیرهای غیرشکننده ما عبارتند از : مانده حساب بلند مدت، میزان استفاده از موبایل بانک، میزان استفاده از اینترنت بانک، مشتریان حقیقی، مشتریان حقوقی، ویژه یا عادی بودن مشتری، نوع شغل، تحصیلات.

5-3-                       ارائه مدل پویای ارتباط با مشتریان با رویکرد مزیت رقابتی

در قسمت قبل متغیرهای غیرشکننده موثر بر مزیت رقابتی شناسایی گردید. به دلیل ارتباط علت و معلولی متغیرهای موثر بر مزیت رقابتی و تاثیر رفتار هریک از آن ها بریکدیگر و بر رفتار کل نظام، مدل سازی متغیرها در قالب حلقه های علی-معلولی ضرورت دارد. بر این اساس دراین قسمت از پژوهش با بکارگیری رویکرد مدل سازی پویا، مدل ارتباط با مشتریان تعیین و سناریوهای مختلف آینده بررسی می شود و بر اساس نتایج حاصله تاثیر متغیرهای غیرشکننده شناسایی شده بر وفاداری مشتریان سنجیده می شود.

تدوین فرضیه پویا و نمودار علی-معلولی:

در پژوهش حاضر، باتوجه به تنوع خدمات بانکى و به منظور افزایش دقت در مدل ســازى، دو عدد از پرکاربردترین خدمات بانکى به نام خدمت انتقال وجه و سپرده بلند مدت انتخاب شد و براین اساس مدل سازى آن صورت پذیرفت. خروجی ما در مدل BMA، 8 شاخص مرتبط با بانک شامل مانده حساب بلند مدت؛ میزان استفاده از موبایل بانک؛ میزان استفاده از اینترنت بانک؛ مشتریان حقیقی، مشتریان حقوقی، ویژه یا عادی بودن مشتری، نوع شغل (پایگاه اجتماعی) و تحصیلات می باشند به عنوان متغیرهای موثر بر تقاضای کل خدمات و مزیت رقابتی در نظر گرفته شد (جدول 4) و این متغیرها وارد مدل طراحی خدمات کریمی و همکاران ]4[ گردیدند. ازسوی دیگر طول استفاده از خدمات، ارزش پولی استفاده از خدمات، تازگی استفاده از خدمات و تعدد استفاده از خدمات به عنوان عوامل موثر بر وفاداری مشتری نیز وارد مدل شدند. از طرفی با توجه به نظر خبرگان چون در این پژوهش متغیرهایی مورد بررسی قرار گرفتند که اطلاعات آنها در بانک موجود است و به نوعی عوامل داخلی مورد بررسی قرار گرفتند متغیرهای مربوط به عوامل سیاسی و اقتصادی مدل طراحی خدمات کریمی و همکاران ]4[  از مدل ما حذف می گردند.

 بر اساس مطالعه کریمی و همکاران ]4[ مهمترین عامل در ایجاد تقاضا، جذابیت است در این راستا کانال های ارائه خدمات در این پژوهش بانکداری الکترونیک (موبایل بانک و اینترنت بانک) و بانکداری سنتی در نظر گرفته شده اند و خدمات مورد نظر بین این کانال ها تقسیم می شوند(شکل شماره 3).

و در نهایت مدل علی و معلولی  پژوهش به شرح شکل شماره (4) می‌باشد.

img0 

شکل (3): روابط میان متغیرهای غیرشکننده شناسایی شده و تقاضای کل خدمات

img0 

شکل (4): نمودار علی و معلولی  

 

5-4-                      تعیین روابط ریاضی

با توجه به نمودار علی- معلولی (شکل4) متغیرهای انباشت تقاضای کل خدمات، وفاداری مشتری، تقاضای حوزه بانکداری الکترونیک، تقاضای حوزه بانکداری سنتی ، جذابیت بانکداری سنتی و جذابیت بانکداری الکترونیکی به عنوان متغیرهای انباشت در نظر گرفته شد. وفاداری مشتری بر اساس مدل LRFM با افزایش مدت استفاده از خدمات، تازگی استفاده از خدمات و تعداد دفعات استفاده از خدمات و ارزش پولی استفاده از خدمات افزایش می یابد و با کاهش این عوامل کاهش می یابد بنابراین نرخ خالص افزایش وفاداری و نرخ خالص کاهش وفاداری به عنوان متغیرهاى نرخ براى انباشــت وفاداری مشتریان بانک تعیین مى شــوند. تقاضای کل خدمات از افزایش تقاضای حوزه بانکداری الکترونیکی و سنتی تشکیل می شود. همچنین میزان تقاضای حوزه بانکداری الکترونیکی و سنتی نیز متاثر از درآمد ، میزان ظرفیت و میزان جذابیت هریک از کانالهاست. از طرفی میزان جذابیت کانال بانکداری الکترونیک و سنتی تحت تاثیر عواملی نظیر امنیت کانال پرداخت الکترونیک، تعدادکاربران گوشی های هوشمند، اثر پشتیبانی فناوری رشد فین تکها و استارت آپ ها، تعداد شعب و تراکنش های حضوری می باشد. 

براى محاسبه میزان جذابیت نسبی بانکدارى الکترونیک و بانکدارى ســنتى از روش تقســیم جذابیت هر کانال بر مجموع جذابیت کانال ها استفاده شده است که فرمول آنها ذکر شده است. همچنین برای سنجش میزان وفاداری مشتری از رگرسیون خطی استفاده می شود. در خصوص متغیرهای میزان تقاضای حوزه بانکداری الکترونیک و میزان تقاضای حوزه بانکداری سنتی رابطه مربوطه از حاصل ضرب متغیرهای میزان جذابیت نسبی و میزان تقاضای کل محاسبه گردیده است. تابع ریاضی متغیرهای جذابیت نسبی بانکداری الکترونیک و سنتی از تقسیم میزان جذابیت هر کانال بر مجموع جذابیت کانال ها محاسبه گردیده است که درجدول شماره 6 هر کدام از این روابط مشخص گردیده است.

جدول (6): فرمول ها

شماره فرمول

متغیرنتیجه

فرمول

1

جذابیت نسبی بانکداری الکترونیک

 

2

تقاضای حوزه بانکداری الکترونیک

جذابیت نسبی بانکداری الکترونیک × تقاضای کل

3

خالص کمبود بانکداری الکترونیک

ظرفیت ارائه خدمات بانکداری الکترونیک – تقاضای حوزه بانکداری الکترونیک

4

درآمد بانکداری الکترونیک

درصورتی که تقاضای حوزه از ظرفیت بزرگتر باشد:

 

نرخ کارمزد × ظرفیت ارائه خدمات بانکداری الکترونیک= درآمد کانال بانکداری الکترونیک

درصورتی که تقاضای حوزه از ظرفیت کوچکتر باشد:

 

نرخ کارمزد × تقاضای حوزه بانکداری الکترونیک= درآمد کانال بانکداری الکترونیک

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

                                             

 

شکل (5): نمودار حالت جریان

5-5-                      اعتبار سنجی مدل

در اینجا برای آزمون برازندگی مدل متناسب با هدف مدل از آزمون شرایط حدی (متمرکز بر ساختار) و آزمون حساسیت پارامتری (آزمون متمرکز بر رفتار) استفاده می شود که در قسمت های بعد به طور کامل توضیح داده می شود همچنین برای آزمون سازگاری واحدها، آزمون سازگاری ابعاد انجام شد و بر این اساس کلیه واحدها سازگار بودند و آزمون تست ساختار نیز انجام پذیرفت که ساختار مدل مورد تائید قرار گرفت.

 

 

 

 

 

 

 

 

 

img0 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

آزمون شرایط حدی:

 

قرار دادن برخی پارامترهای اصلی در حالت حداقلی و حداکثری (بسیارزیاد) و تست خروجی مدل یکی از روش های آزمون مدل است تا میزان حساسیت آن در برابر این تغییرات مشخص شود. برای این منظور، در اولین اجرا حداقل عددی ممکن برای پارامترهای منتخب به عنوان وضعیت کمینه در نظر گرفته شده و شبیه سازی انجام شده است در دومین اجرا مقدار متوسط عددی ممکن برای پارامترهای منتخب به عنوان وضعیت میانگین در نظر گرفته شده و شبیه سازی انجام شده است. در سومین اجرا حداکثر عددی ممکن برای پارامترهای منتخب به عنوان وضعیت بیشینه در نظر گرفته شده و شبیه سازی انجام شده است. مقدار کمینه، متوسط و بیشینه ارائه شده توسط خبرگان برای ضرایب تاثیر سایر متغیرها در نظر گرفته شده است.

 

img0 

img0 

img0 

img0 

img0 

img0 

شکل (6): آزمون شرایط حدی

 

در شکل شماره 6 آزمون شرایط حدی برای تقاضای حوزه بانکداری الکترونیکی انجام شده است. خط آبی رنگ نشان دهنده روند تغییرات متغیر با مقدار بیشینه ضرایب، خط سبزرنگ نشان دهنده روند تغییرات متغیر با مقدار متوسط در اجرای شبیه سازی و خط قرمز رنگ نشان دهنده روند تغییرات متغیر با مقدار کمینه ضرایب می باشد که برای متغیرهای  تقاضای حوزه بانکداری الکترونیک،  تقاضای حوزه بانکداری سنتی، جذابیت بانکداری الکترونیکی،  جذابیت بانکداری سنتی،  تقاضای کل خدمات و  وفاداری مشتری اعمال گردیده است. با اعمال ضرایب بیشینه و متوسط و کمینه برای متغیرهای موثر بر وفاداری مشتری شیب نمودار با یک روند منطقی در حال افزایش می باشد و با اعمال بیشترین ضرایب به 6/0 و با اعمال کمترین ضریب حدوداً به 32/0 می رسد.

آزمون تحلیل حساسیت:

تحلیل حساسیت نیز یکی از مفهوم های مهم در شبیه سازی سیستم های پویا تلقی می شود. در این آزمون میزان حساسیت مدل به صورت تغییر در متغیرهای تحت کنترل مورد آزمون قرار می گیرد. در این بخش با تعیین یک متغیر امکان تغییر شرایط واقعی وجود دارد بنابراین اقدام به تغییر مقادیر آنها نموده و آثار این تغییرات را روی مقادیر و رفتارهای متغیرهای دیگر بررسی می نماییم. با توجه به مسئله و هدف پژوهش و با توجه به این بررسی ها نتیجه می گیریم که مدل پویا نسبت به تغییرات افزایشی و کاهشی مدل حساس بوده و این میزان حساسیت نیز درست و منطقی است.

 

 

img0 

img0 

img0 

img0 

img0 

img0 

شکل (7): آزمون تحلیل حساسیت

 

هنگامی که ضرایب تاثیر سایر عوامل بر جذابیت بانکداری الکترونیکی به بیشترین مقدار خود برسد جذابیت بانکداری الکترونیکی حداکثر به 8/0 می رسد و تقاضای بانکداری الکترونیکی به حداکثر به بیش از 3 میلیون تراکنش خواهد رسید و تقاضای کل خدمات به کمتر از 5 میلیون تراکنش و میزان وفاداری مشتری به بیش از 45/0 خواهد رسید.

6-                      جمع بندی و نتیجه گیری

6-1-                      تدوین سناریوها

پس از آنکه با انجام تحلیل حساسیت و آزمون حدی مدلی معتبر با ساختار سیاستی بهبود یافته به دست آمد از آن می توان برای تدوین انواع سناریوهای مورد نظر برای آینده استفاده نمود. گزینه های مدیریتی متعددی را می توان با درنظر گرفتن پارامترهای سیاستی و سیستمی مختلف، مدنظر قرار داد و تاثیر آنها بر پاسخ پویای مدل را به عنوان سناریوهایی برای آینده لحاظ کرد. در اینجا مطابق جدول با لحاظ کردن ضرایب تاثیر متغیرهای LRFM بر روی متغیر وفاداری می توان رفتار متغیر وفاداری را در صورت افزایش یا کاهش هر کدام از این ضرایب تاثیر که هر کدام نشان دهنده یک گروه از مشتریان می باشند را بررسی کرد.

 

 

 

جدول (7): ضریب تاثیر متغیرها بر وفاداری درسناریوهای مختلف

 

img0 

شکل (8):  وفاداری مشتری 

 

در شکل شماره 8 می بینیم که منحنی S1 مشتریانی که در ضریب تاثیر آنها در بیشترین مقدار ممکن قرار دارد (مشتریان وفادار)، میزان وفاداری آنها چه در مرحله ابتدایی و چه در پنج سال آینده نسبت به سایر مشتریان بیشتر می باشد.همچنین با تعدیل ضرایب تاثیر در منحنی S2 می بینیم که سطح وفاداری این گروه از مشتریان (مشتریان نیمه وفادار) کاهش می یابد و در منحنی S4 که ضرایب تاثیر در کمترین حالت خود قرار دارند سطح وفاداری به کمترین مقدار خود می رسد.

از طرفی شکل ها حاکی از آن است که در صورت افزایش استفاده از موبایل بانک، اینترنت بانک و سپرده بلند مدت، وفاداری مشتریان بانک افزایش می یابد همچنین با بررسی های قبلی متوجه شدیم که درآینده نزدیک میزان جذابیت بانکداری الکترونیک افزایش می یابد که نتیجه آن افزایش تقاضا برای بانکداری الکترونیک می باشد که مدیران می بایست با برنامه ریزی صحیح در جهت بهبود کیفیت و افزایش ظرفیت بانکداری الکترونیک سهم خود را در بازار رقابت بانکی حفظ و بهبود ببخشند.

6-2-                      پیشنهادات مدیریتی

یکی از اهداف پژوهشی در پژوهش حاضر استفاده از نتایج بدست آمده و ارائه پیشنهاد به مدیران بانک جهت دستیابی به مدل ارتباط با مشتریان و جذب مشتریان وفادار می باشد. با توجه به اینکه متغیرهای غیرشکننده به دست آمده موثر بر مزیت رقابتی در مدل دینامیکی نیز منجر به افزایش وفاداری مشتری می شوند، مدل دینامیکی طراحی شده به مدیران بانک این امکان را می دهد که رفتار عوامل موثر در مزیت رقابتی را در بستر زمان مطالعه نمایند. آنها با استفاده از این مدل می‌توانند کسب مزیت رقابتی را در دوره های زمانی مختلف بررسی نمایند.

تقاضای کل خدمات از افزایش تقاضای حوزه بانکداری الکترونیکی و سنتی تشکیل می شود. همچنین میزان تقاضای حوزه بانکداری الکترونیکی و سنتی نیز متاثر از درآمد ، میزان ظرفیت و میزان جذابیت هریک از کانالهاست. از طرفی میزان جذابیت کانال بانکداری الکترونیک و سنتی تحت تاثیر عواملی نظیر امنیت کانال پرداخت الکترونیک، تعدادکاربران گوشی های هوشمند، اثر پشتیبانی فناوری رشد فین تکها و استارت آپ ها، تعداد شعب و تراکنش های حضوری می باشد. همچنین مشاهده می شود با رشد میزان جذابیت کانال بانکداری الکترونیک و رشد امنیت کانال های پرداخت و رشد فین تک ها و استارت آپ ها، میزان استفاده از اینترنت بانک و موبایل بانک افزایش یافته و نتیجه مستقیم آن افزایش وفاداری مشتریان می باشد و می بایست مدیران بانک برنامه ریزی ویژه جهت افزایش ظرفیت بانکداری الکترونیکی و امنیت این کانال داشته باشند.

 همچنین با توجه به اینکه متغیرهای غیرشکننده شناسایی شده (مانده سپرده بلند مدت، میزان استفاده از موبایل بانک، میزان استفاده از اینترنت بانک ، ویژه یا عادی بودن مشتری) در مدل دینامیک نیز پایدار بودند پیشنهاد می شود مدیران بانک جهت کسب و افزایش مزیت رقابتی بانک برنامه ریزی خاص جهت این متغیرها داشته باشد.

تجهیز فناوری‌های لازم ازجمله پیاده‌سازی سامانه مدیریت دانش و آموزش کارکنان جهت استقرار و بهره‌گیری از سامانه‌های مذکور.

ابعاد شاخص‌های مؤثر بر مزیت رقابتی بر اساس رویکرد میانگین‌گیری بیزین متعدد هستند بنابراین؛ نیاز به دیدگاه سیستمی در خصوص این امر وجود دارد و چون ذهنیت انسان توانایی این تفکیک را دارا نیست پیشنهاد می‌گردد؛ اقدام به تهیه برنامه‌های رایانه‌ای مبتنی بر مدل‌های آماری برای پیش‌بینی سودآوری بر اساس اجزای تشکیل‌دهنده آن شود.

یکی از نتیجه‌های این پژوهش دسته‌بندی مشتریان در چهار گروه وفادار، نیمه وفادار، معمولی و غیرواقعی می‌باشد، بنابراین می‌بایست توصیه‌های انگیزشی متناسب با سودآوری هر دسته طراحی گردد به‌طوری‌که موجب افزایش سودآوری بانک و کاهش مخاطره اخلاقی و انتخاب غلط گردد.

ازآنجایی‌که مدل‌های بیزین داده محور هستند مدیران بانک در هر منطقه و یا هر استان می‌توانند با استفاده از مدل مزبور و به‌روزرسانی داده‌های مشتریان، نسبت به برنامه‌ریزی جهت کسب مزیت رقابتی متناسب با توان مالی مشتریان و پتانسیل‌های هر منطقه (و یا استان) اقدام نمایند.

منابع و مأخذ

[1]       ربیعه، سجاد. رضاییان، علی. (1401). تأثیر مدیریت ارتباط با مشتری اجتماعی بر عملکرد مالی با نقش میانجی‌گری تعهد مشتری و رضایت مشتری (مورد مطالعه: بانک‌های خصوصی استان خوزستان). مدیریت بازاریابی، 17(55)، ص 109-95. doi: 10.30495/jomm.2022.60251.1808

[2]       بهروان، مجید. معتدل، محمدرضا. طلوعی اشلقی، عباس. رادفر، رضا. (1400). طراحی سیستم‌ توصیه‌گر محصولات شوینده بر مبنای تحلیل احساسات فازی. پژوهش های نوین در تصمیم گیری، 6(4): ص35-53.

[3]       یگانگی، سید کامران. ابراهیمی، مریم. (1400). مدل سازی مدیریت الکترونیکی ارتباط با مشتریان، مطالعه موردی: سیستم های بانکی. فصلنامه مطالعات مدیریت و توسعه پایدار, 1(4)، ص 1-28. doi:10.30495/msds.2022.19498 42.1032

[4]       کریمی، محمد. طلوعی اشلقی، عباس. پیله وری سلماسی، نازنین. رادفر، رضا. (1400). ارائه مدل پویای فازی برای تدوین راهبرد استوار طراحی خدمات در شرایط عدم قطعیت (مورد مطالعه: خدمات بانکی). مدیریت توسعه فناوری، 9(3)، ص37-71. SID. https://sid.ir/paper/1040264/fa

[5]       نظرآقایی مهدی، غیاثی حسین، اصغرخواه چافی محمد. (1398). دسته‌بندی ریسک اعتباری مشتریان حقیقی با استفاده از یادگیری جمعی (مطالعه موردی بانک سپه)؛ پژوهش‌های پولی و بانکی، سال ۱۲ شماره ۳۹ صفحات ۱۲۹-۱۶۶.

[6]       تقوی فرد محمد تقی ، لطفی فاطمه (1401). خوشه بندی مشتریان در حوزه بانکداری الکترونیک با بهره گیری  از تراکنشهای الکترونیکی و اطلاعات دموگرافیک (مورد مطالعه : بانک رفاه) .فصلنامه علمی رهیافتی در مدیریت بازرگانی.

[7]       دهقاني سلطاني مهدي،محمدي اسفنديار،همتي امين، رئوفي مصطفي(1398) بررسی تأثیر مدیریت ارتباط با مشتری بر عملکرد بازاریابی با تبیین نقش میانجی نوآوری و حافظه بازاریابی، راهبردهای بازرگانی، بهار و تابستان 1398, دوره 26 (دوره جديد) , شماره 13.

[8]       طالبی، کامبیز. ایمانی پور، نرگس. شیخی ئیلانلو، حمید. سجادی، سید مجتبی. (1399). روش‎شناسی پویایی‎ سیستم‎های نرم یک رویکرد سیستمی ترکیبی در پژوهش‎های کارآفرینی. حوزه و دانشگاه روش‌شناسی علوم انسانی، 26(104)، ص 46-29، قابل بازیابی از: doi10.30471mssh.2020.5440.1882

[9]       تقوی فرد, محمد تقی. (1396). دسته بندی مشتریان حقوقی و پیش بینی توانایی سوددهی آنان با استفاده از ارزش طول عمر مشتری و رویکرد زنجیره مارکوف (مورد مطالعه: مشتریان یک بانک خصوصی). مطالعات مدیریت صنعتی, 15(45), 45-74. doi: 10.22054/jims.2017.7605

[10]       Zare, A., Motadel, M. R., & Jalali, A. (2020). Presenting a hybrid model in social networks recommendation system architecture development. AI & SOCIETY, 35(2), 469-483. https://doi.org/10.1007/s00146-019-00893-z 

[11]       Gazi, M. A. I., Al Mamun, A., Al Masud, A., Senathirajah, A. R. B. S., & Rahman, T. (2024). The relationship between CRM, knowledge management, organization commitment, customer profitability and customer loyalty in telecommunication industry: The mediating role of customer satisfaction and the moderating role of brand image. Journal of Open Innovation: Technology, Market, and Complexity, 10(1), 100227., doi.org:10.1016/j.joitmc .2024.100227.

[12]       Alamro, H. A., Sanad, H. M., & Sorour, L. (2024). Gaps Determination of E-CRM and Competitive Advantage: The Role of Marketing Innovation. In Intelligent Systems, Business, and Innovation Research (pp. 317-327). Cham: Springer Nature Switzerland, https://doi.org/10.1007/978-3-031-36895-0_26

[13]       Pahuja, S., Mahlawat, S., Kumar, V., Sah, R. K., Paliwal, M., Singh, S., & Kumar, M. (2024). Gaining competitive advantage status through human resource practices: A study of Indian banks. Social Sciences & Humanities Open, 9, 100804. https://doi.org/10.1016/j.ssaho.2024.100804

[14]       Sadrul Huda, S. S., Saha, S., & Kabir, M. H. (2021). Influence of eCRM on customer satisfaction and customer loyalty: a study on Bangladesh's fast food industry. International Journal of Electronic Customer Relationship Management, 13(1), 30-44.

[15]       Noviana, G. (2021). An Analysis of the Implementation of Electronic Customer Relationship Management (E-CRM) Towards Customer Loyalty. In 5th Global Conference on Business, Management and Entrepreneurship (GCBME 2020) (pp. 434-438). Atlantis Press.

[16]       Li, Y., Huang, J., & Song, T. (2019). Examining business value of customer relationship management systems: IT usage and two-stage model perspectives. Information & Management, 56(3), 392-402.

[17]       Wang Yong و Wu Dong Sheng. (2011). Research of the Bank's CRM Based on Data Mining Technology. Communications in Information Science and Management Engineering، 1(4).

[18]       Ren Shuxia؛ Sun Qiming & Shi Yuguang. (2010). Customer segmentation of bank based on data warehouse and data mining. The 2010 2nd IEEE International Conference on Information Management and Engineering.

[19]       Nasrin Motedayen , Rafik Nazarianb, Marjan Damankeshidehc , Roya Seifipourd, (2022), Identification and Evaluation of the Factors Affecting Credit Risk Management Using the Multinomial Logistic Regression Model, Iranian Economic Review, 26(3): 707-720 DOI: 10.22059/ier.2022.87472

[20]       Bavarsad Belghis؛ Azizi Zahra؛ Saghaeian Mehran و Hozhabri Ali Akbar. (2015). Testing the relationship between service quality, overall e-banking service quality and customer satisfaction. The 2015 9th International Conference on e-Commerce in Developing Countries: With focus on e-Business (ECDC).

[21]       Mohammadi, T., & Bahrami, J. (2020). Comparison of Different Methods of Predicting Iran's Economic Growth with an Emphasis on Dynamic Model Selection and Dynamic Model Averaging. The Economic Research, 20(4), 93-123.

 

 

                        23


مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1403-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]

نوع مشتری

 

 

 

 

سناریو ها

R

M

F

L

مشتری وفادار

4125/0

625/5E-18

00125/0

0.00875

 

مشتری نیمه وفادار

33/0

5/4E-18

001/0

007/0

 

مشتری معمولی

2796552/0

81348/3E-18

00084744/0

.00593282/0

 

مشتری غیرواقعی

2475/0

375/3E-18

00075/0

00525/0